מכוניות אוטונומיות, הידועות גם כמכוניות ללא נהג, מסוגלות לנהוג בעצמן ללא כל התערבות אנושית. לטכנולוגיה מהפכנית זו יש פוטנציאל לשנות את תחום התחבורה ואת הדרך בה אנו מתניידים. פיתוח של מכוניות אוטונומיות מבוסס על אלגוריתמים וחיישנים מתקדמים של בינה מלאכותית המאפשרים לרכב לנווט בעצמו. הטכנולוגיה עדיין בשלביה הראשונים, אך יצרניות רכב וחברות תוכנה מובילות משקיעות תקציבים רבים בפיתוח הטכנולוגיה למכוניות אוטונומיות.

מכוניות אוטונומיות ובינה מלאכותית

איך באה לידי ביטוי בינה מלאכותית ברכבים אוטונומיים?

דורון בסון ואלמוג כהן מחברת קורל חוקרים את תחום הבינה המלאכותית במכוניות אוטונומיות ומסבירים שמכוניות אוטונומיות משתמשות בבינה מלאכותית כדי לתפוס ולהבין את סביבתן, לקבל החלטות ולשלוט ברכב. טכנולוגיות בינה מלאכותית כגון ראייה ממוחשבת, למידה עמוקה, למידת מכונה ובקרה משולבות במכוניות אוטונומיות כדי לאפשר להן לחוש את סביבתן, לנתח נתונים, לחזות תוצאות ולשלוט בתנועות הרכב. מערכת הבינה המלאכותית במכוניות אוטונומיות מעבדת באופן רציף נתונים מחיישנים כמו מצלמות, בקרים, מכ"ם וחיישנים קוליים כדי ליצור הבנה בזמן אמת של סביבת המכונית, מה שמאפשר לה לקבל החלטות חשובות כדי לנווט בבטחה בדרכים.

מה זה LiDAR?

LiDAR (לידאר) היא טכנולוגיית חישה מרחוק המשתמשת באור לייזר למדידת מרחקים ויצירת מפות תלת ממדיות ברזולוציה גבוהה של הסביבה. LiDAR פועלת על ידי פליטת קרן לייזר ומדידת הזמן שלוקח להחזרה של ההשתקפות לחיישן, המשמש לחישוב המרחק לעצמים בסביבה. מכוניות אוטונומיות משתמשות במערכת LiDAR כדי להתמצא במרחב.

אלגוריתמים של למידת מכונה לרכבים אוטונומיים

מכוניות אוטונומיות מסתמכות על מספר אלגוריתמים של למידת מכונה כדי לקבל החלטות. רשתות עצביות קונבולוציוניות (CNN) נמצאות בשימוש נרחב במכוניות אוטונומיות עבור משימות שונות כגון זיהוי אובייקטים, פילוח סמנטי וזיהוי נתיבים. זיהוי אובייקטים ברשתות עצביות קונבולוציוניות משמש לזיהוי ואיתור עצמים כגון כלי רכב, הולכי רגל ותמרורים בזמן אמת מתוך נתוני מצלמה או רכיב הלידאר שהוזכר מעלה. פילוח סמנטי, משמש כדי לסווג כל פיקסל בתמונה לקטגוריות שונות כגון כביש, מדרכה או בניין. זיהוי נתיב, משמש כדי לזהות את גבולות סימון הנתיבים בכביש ולעקוב אחר מיקומו של הרכב ביחס לנתיבים השונים. משימות אלו הן קריטיות לנהיגה אוטונומית בטיחותית ורשתות עצביות קונבולוציוניות הראו ביצועים יוצאי דופן במשימות אלו.

רשתות עצביות חוזרות (RNN)

במכוניות אוטונומיות, רשתות עצביות חוזרות (RNNs) משמשות לעיבוד נתונים מסדרות עתיות (זמן) מחיישנים שונים כמו מצלמות, LiDAR ו- GPS. רשתות עצביות חוזרות מתאימות היטב למשימה זו מכיוון שיש להן מצב פנימי מובנה המאפשר להם לשקלל את ההקשר של נקודות נתונים קודמות בעת ביצוע עיבוד עבור נקודות הנתונים הנוכחיות. לדוגמה, ניתן להשתמש ב- RNN כדי לחזות את הסבירות לשינוי נתיב בהתבסס על המהירות הקודמת של הרכב, זווית ההיגוי ותנאי הדרך. על ידי התחשבות בהקשר זה, ה- RNN יכול לבצע תחזיות מדויקות יותר מאשר רשת עצבית מסורתית המעבדת כל נקודת נתונים בפני עצמה.

למידת חיזוק (Reinforcement Learning)

למידת חיזוק היא סוג של למידת מכונה הכוללת הכשרת מודלים לקבלת החלטות על ידי נקיטת פעולות וקבלת משוב בצורה של תגמולים או עונשים. במכוניות אוטונומיות, לימוד חיזוק משמשת כדי לייעל את התנהגות הנהיגה, מה שהופך את החלטות הרכב לבטוחות ויעילות יותר. לדוגמה, ניתן לאמן מודל למידת חיזוק במכונית אוטונומית כדי למקסם את מהירות הרכב תוך הקפדה על חוקי התנועה והימנעות ממכשולים בדרך. המודל שנאמן יקבל פרסים על שמירה על כללי התנועה והגעה מהירה ליעדו, בעוד שהוא יקבל עונשים על פעולות לא בטוחות כמו נסיעה ברמזור אדום או גרימת תאונות. עם הזמן, המודל ילמד אילו פעולות מביאות לתוצאות הטובות ביותר ויתאים את התנהגותו בהתאם. למידת חיזוק היא כלי רב עוצמה עבור מכוניות אוטונומיות מכיוון שהיא מאפשרת לרכב ללמוד מניסיון ולהסתגל לתנאים משתנים בזמן אמת, כך מצליח הרכב להתמודד היטב עם האתגרים המורכבים והדינמיים בנהיגה אוטונומית ביניהם ניווט בסביבות מגוונות וקבלת החלטות תוך שבריר שניה.

עצי החלטה ויערות אקראיים

עצי החלטה ויערות אקראיים הם אלגוריתמים של למידת מכונה המשמשים לקבלת החלטות על סמך קלט נתונים. במכוניות אוטונומיות יכולים אלגוריתמים אלו לשמש לעיבוד תשומות שונות כגון תנאי הדרך, תמרורים, מהירות הרכב ורכבים קרובים, ולקבל החלטות על סמך מידע זה. עץ החלטה הוא מודל דמוי עץ שמפרק בעיה לתת-בעיות קטנות יותר ויותר, תוך קבלת החלטה בכל שלב על סמך נתוני הקלט שקיבל. לדוגמה, במכונית אוטונומית ניתן להשתמש בעץ החלטה כדי לקבוע את המהירות המתאימה לרכב בהתבסס על תנאי הדרך, תמרורי התנועה וכמות התנועה. יער אקראי הוא אלגוריתם מורחב הנגזר מאלגוריתם עצי החלטה הבונה מספר עצים ומשלב את התחזיות שלהם כדי לקבל החלטה סופית אחת. הרעיון הוא שעל ידי שילוב של התחזיות של עצים רבים יכול המודל להפחית את הסיכון (שונות) להתאמת יתר אשר יכול לקרות אם המודל הופך להיות קשור מדי לנתוני האימון ומציג ביצועים גרועים כשמקבל נתונים חדשים. במכוניות אוטונומיות, יערות אקראיים יכולים לשמש למגוון משימות כגון זיהוי וסיווג עצמים, זיהוי נתיבים וזיהוי תמרורים. על ידי עיבוד הנתונים מחיישנים מרובים, האלגוריתם יכול לקבל החלטות חזקות ומדויקות יותר, ולעזור לרכב לנווט בבטחה בכביש.

מכונת וקטורים תומכים (SVM)

מכונת וקטורים תומכים (SVMs) הוא סוג של אלגוריתם למידת מכונה המשמש למשימות סיווג. במכוניות אוטונומיות ניתן להשתמש במכונת וקטורים תומכים כדי לסווג סוגים שונים של משטחי כביש וחפצים בסביבה כגון תמרורים, סימני נתיב והולכי רגל. אלגוריתם מכונת וקטורים תומכים פועל על ידי מציאת הגבול האופטימלי, המכונה היפר-מישור, המפריד את הנתונים למחלקות שונות. הגבול נבחר כך שהוא ממקסם את השוליים או את המרחק בין הגבול לנקודות הנתונים הקרובות ביותר מכל מחלקה, המכונים וקטורים תומכים. במכוניות אוטונומיות ניתן לאמן מודלים מבוססי מכונת וקטורים תומכים על כמויות גדולות של נתונים ממצלמות, LiDAR וחיישנים אחרים כדי לזהות סוגים שונים של משטחי כביש וחפצים בסביבה. לדוגמה, אלגוריתם מכונת וקטורים תומכים יכול להיות מאומן לזהות רמזורים, תמרורים וסימני דרך אחרים, ולאפשר לרכב לקבל החלטות מושכלות על סמך תנאי הדרך המשתנים.

מסנן קלמן (Kalman Filters)

מסנני קלמן הם אלגוריתמים המשמשים להערכת מצבה של מערכת בהתבסס על מדדי רעש ואי ודאות לאורך זמן. במכוניות אוטונומיות, מסנני קלמן משמשים לאיחוד נתונים מחיישנים מרובים כמו מצלמות, LiDAR ו- GPS כדי לייצר אומדן מדויק יותר של מיקום הרכב וכיוון הרכב. אלגוריתם מסנן קלמן משתמש במודל מתמטי של המערכת, כמו תנועת הרכב, ומבצע תחזיות על סמך המדידות והמודל המאומן. לאחר מכן מתעדכנות התחזיות על סמך המדידות והתהליך חוזר על עצמו לאורך זמן. במכוניות אוטונומיות ניתן להשתמש במסנני קלמן להערכת מיקום הרכב, מהירותו וכיוונו גם בנוכחות רעשי מדידה ושגיאות. על ידי איחוי הנתונים מחיישני רכב מרובים יכול האלגוריתם לייצר אומדן מדויק יותר של מצב הרכב, מה שהופך את חווית הנהיגה לבטוחה יותר עבור הנהג, הנוסעים והולכי הרגל.

יתרונות הרכבים האוטונומיים

אחד היתרונות הגדולים ביותר של מכוניות אוטונומיות הוא הגברת הבטיחות בדרכים. טעויות אנוש אחראיות לרוב המכריע של תאונות הדרכים ומכוניות אוטונומיות יוכלו להפחית משמעותית את הסיכון הזה. באמצעות חיישנים מתקדמים, מצלמות ואלגוריתמים של בינה מלאכותית, יכולות מכוניות אוטונומיות לזהות ולהגיב לסכנות פוטנציאליות על הכביש ולהפחית את הסיכון לתאונות. יתרון נוסף של מכוניות אוטונומיות הוא הגברת היעילות. מכוניות אוטונומיות יכולות לתקשר ביניהן ומול שרתי בקרה של רמזורים ותמרורים אלקטרוניים כדי לייעל את זרימת התנועה בכבישים ולמנוע עומסי תנועה. המשמעות היא פחות זמן נהיגה בפקק ופחות צריכת דלק, מה שמוביל להפחתת פליטות מזהמים. למכוניות אוטונומיות יש גם פוטנציאל לחולל מהפכה בדרך שבה אנו חיים ועובדים. לדוגמה, אנשים שאינם מסוגלים לנהוג עקב גיל, מוגבלות או סיבות אחרות יוכלו לנסוע באופן עצמאי, מה שיעניק להם חופש ועצמאות גדולים יותר. בנוסף, ניתן להשתמש במכוניות אוטונומיות למשלוחים ולחסוך כוח עבודה יקר.

חסרונות הרכבים האוטונומיים

יש גם חששות לגבי כניסת מכוניות אוטונומיות לעולמנו. אחד האתגרים הגדולים ביותר הוא הבטחת בטיחות הנוסעים ושאר משתמשי הדרך. היו כמה תאונות שבהן היו מעורבות מכוניות אוטונומיות ותקריות אלו עוררו שאלות לגבי האמינות והבטיחות של הטכנולוגיה הנוכחית.